Sunteți pe pagina 1din 34

Modelare Economica, Prof. dr. Carmen Nadia Ciocoiu

UNITATEA DE INVATARE 2

Modelarea proceselor economice cu tehnici de

previziune

Introducere 1. Definitii. Clasificarea metodelor de previziune

2. Analiza seriilor de timp: caracteristici și metode

2.1.

Media mobila

2.2.

Nivelarea exponentiala

2.3.

Proiecţiile de trend

2.4.

Decompoziţia

Teste de autoevaluare

1

Obiective ale UI

Din această UI veţi acumula cunoştinţe care vă vor

permite să înţelegeţi cum se pot aplica diverse tehnici de previziune în afaceri.

Veţi afla cum se pot clasifica tehnicile de previziune şi le

veţi aprofunda pe cele din categoria analizei bazate pe serii dinamice.

Veţi rezolva aplicaţii practice specifice cu ajutorul

programului informatic WINQSB, QM for Windows și Excel.

2

Introducere  În fiecare zi, managerii iau decizii fără a ști ce se va întâmpla

Introducere

În fiecare zi, managerii iau decizii fără a ști ce se va întâmpla în viitor,

dar încearcă întotdeauna să reducă această incertitudine apelând la

diverse metode.

Reducerea inceritudinii privind viitorul este scopul principal al previziunii (prognozei).

Există multe modalități de a prognoza viitorul. În numeroase firme (în

special cele de dimensiuni mici), întregul proces este subiectiv și implică intuiția și experiența.

Există, de asemenea, multe modele de prognoză cantitative, cum ar fi:

media simplă și mobilă, nivelarea exponențială, proiecții de trend,

analiza de regresie.

1. Definitii. Clasificarea metodelor de previziune

Previziunea = o metodă sistematică de obţinere a unei estimări a valorii viitoare a unei variabile;

Se bazează, de obicei, pe analiza unei colecţii de observaţii privind comportamentul trecut al

fenomenului /procesului / organizaţiei studiate. Calitatea previziunilor depinde hotărâtor de cunoasterea temeinică a realitătii; Pentru a obține o previziune cu grad mare de acuratețe este necesara folosirea unei metodologii complexe de previziune (o gamă cât mai largă de metode si tehnici).

1. Definitii. Clasificarea metodelor de previziune

Opt pași pentru previziune:

1. Determinați obiectivul previziunii - ce încercaţi să obțineţi cu acesta?

2. Selectați elementele sau cantitățile care urmează să fie prognozate.

3. Determinați orizontul de timp al previziunii: 1-30 zile (pe termen scurt), 1 lună - 1 an (pe termen mediu), sau mai mult de 1 an (pe termen lung)?

4. Selectați modelul de previziune adecvat.

5. Adunați datele sau informațiile necesare pentru a face previziunea.

6. Validaţi modelul de previziune.

7. Realizaţi previziunea (folosind programe informatice dedicate).

8. Puneţi în aplicare rezultatele (prin utilizarea rezultatelor în planificarea producţiei, a vânzărilor, etc).

Acești pași prezintă un mod sistematic de inițiere, proiectare, precum și

implementare a unui sistem de prognoză. Când sistemul va fi utilizat pentru a

genera previziuni regulat în timp, datele trebuie colectate în mod curent, iar calculele sau procedurile utilizate pentru a face prognoza se pot face în mod automat.

1. Definitii. Clasificarea metodelor de previziune

Tipuri de metode de previzune:

calitative (de judecată) - se bazează pe estimări subiective, mai degrabă

decât pe date; sunt folosite pentru prognoze pe termen lung (mai ales când

intervin factori externi) sau atunci când nu există date istorice ori acestea sunt limitate;

ex: opinia experţilor, metoda Delphi, analogii istorice, măsurarea cerinţelor consumatorilor .

bazate pe serii de timp – în cazul în care evoluţia curentă a unui indicator depinde de nivelul anterior (în ipoteza păstrării unui comportament inerţial al fenomenului); ex: metoda mediilor mobile, metode de ajustare, proiecții de trend, metode de decompoziţie.

cauzale – pentru care este posibilă identificarea unor relaţii funcţionale de tipul Y=f(x1, x2, …, xn) unde Y variabila dependentă este exprimată în

funcţie de nivelul factorilor independenţi (x1, x2, … xn);

ex: analiza de regresie simpla și multiplă, analiza de corelaţie.

econometrice în cazul unor ecuaţii simultane sau sisteme de ecuaţii ce descriu în formă matematică diferite legităţi economice.

2. Analiza Seriilor de Timp

(Dinamice/Cronologice): caracteristici și metode

O secvenţă de date de observaţie, în mod obişnuit ordonată în timp, este denumită serie de timp, sau serie dinamică.

Date - se referă la valori discrete măsurate la intervale egale de timp.

Metodologia care se ocupă cu analiza unor astfel de date se numeşte analiza seriilor de timp sau analiza seriilor dinamice.

Caracteristica esenţială a acestui tip de analiză este

recunoaşterea implicită a importanţei ordinii de apariţie a înregistrărilor.

Reprezentarea grafică a unei serii de timp evidenţiază cele mai importante caracteristici (componente) ale datelor acesteia:

prezenţa/absenţa tendinţei (trendului), a caracterului sezonier, a

ciclurilor sau a unor variații aleatoare.

Înțelegerea componentele unei serii de timp va ajuta la selectarea unei tehnici de prognoză adecvate.

2. Analiza Seriilor de Timp

(Dinamice/Cronologice): caracteristici și metode

Variaţia aleatoare (R t ) se produce fără a avea cauze speciale care să o determine în mod previzibil sau cauzal şi fără posibilitatea de a i se

atribui un model de repetare sistematică.

Trendul (T t ) defineşte tendinţa generală a evoluţiei fenomenului indicatorului Y t desfăşurată pe o perioadă lungă de timp. Trendul este mișcarea treptată în sus sau în jos a datelor în timp.

Această componentă poate fi relevată ca unică, în cazul seriilor ale căror diferenţe finite sunt constante, sau ca o componentă fundamentală ce poate fi izolată de celelalte componente, în cazul seriilor de timp decompozabile.

Identificarea trendului se poate efectua:

- reprezentând grafic, la scară, termenii seriei;

- analitic, prin încercarea mai multor funcţii dintre care se alege cea cu un indicator de eroare minim – de exemplu, “deviaţia standard minimă” (adică diferenţa între valorile reale ale seriei şi valorile ajustate cu funcţiile

matematice menţionate).

2. Analiza Seriilor de Timp

(Dinamice/Cronologice): caracteristici și metode

Sezonalitatea (S t ) este un model de fluctuație a cererii deasupra sau sub linia de trend care se repetă la intervale regulate.

Variaţia sezonieră apare ca urmare a influenţelor sezonale din timpul

perioadei previzionate. Are oscilaţie mai frecventă decât componenta ciclică. Uneori variaţia sezonieră este generată de anotimpuri (şi comportamentul oscilant în funcţie de acestea) sau de obiceiuri, tradiţii

sau fenomene sociale.

Variaţia ciclică (C t ) se manifestă prin oscilaţii relativ ample ale indicatorului sau fenomenului analizat, iar durata ciclului se poate

observa în perspectiva mai multor ani.

Oscilaţiile sunt generate de alternanţa perioadelor de creştere, cu perioadele de stagnare, precum şi de alte cauze generale sau locale.

Ele sunt de obicei legate de ciclul de afaceri.

2. Analiza Seriilor de Timp

(Dinamice/Cronologice): caracteristici și metode

Dupa prognozare izolata cele 4 elemente se compun in forma aditiva,

multiplicativa, sau combinaţii ale celor două forme. Alegerea unei anumite forme este influenţată de modul de variaţie a

factorilor ciclici şi sezonieri la modificările valorilor seriei dinamice:

- în formă aditivă:

Y t

T C S R

t

t

t

t

unde: T, S, C, R sunt exprimate

ca valori absolute; se folosește când factorii componenţi sunt independenţi (ex.: mărimea variaţiei sezoniere nu e afectată de valoarea tendinţei); variaţiile sezoniere şi cele ciclice nu sunt proporţionale cu mărimea valorilor din seria de date (în această situaţie, amplitudinea

variaţiilor sezoniere este aproximativ constantă în timp).

- în formă multiplicativă:

Y t

T C S R

t

t

t

t

unde: T, S, C, R sunt

exprimate ca % sau proporţii; când caracteristicile interacţionează (în care variaţiile sezoniere cresc proporţional cu trendul)

Dacă toate oscilaţiile dintr-o serie de timp sunt datorate variațiilor

aleatoare se recomandă un model de mediere sau de netezire a datelor.

2. Analiza Seriilor de Timp

(Dinamice/Cronologice): caracteristici și metode

Reprezentarea grafica a seriilor de timp

1. Vânzări relativ stabile fără trend semnificativ şi fără influenţe

sezoniere sau ciclice

Volumul vanza
Volumul vanza

2. Vânzări cu trend fără

16

14

12

10

8

6

4

2

0

influenţe sezoniere sau ciclice 1 3 5 7 9
influenţe sezoniere sau ciclice
1
3
5
7
9

Timpul

2. Analiza Seriilor de Timp

(Dinamice/Cronologice): caracteristici și metode

Reprezentarea grafica a seriilor de timp

3. Vânzări cu variaţii

sezoniere fără trend

Mediade timp 3. Vânzări cu variaţii sezoniere fără trend 1 3 5 7 Timpul 9 4.

1

3

5

7

Timpul

9

4. Vânzări cu trend şi variaţii sezoniere

15 10 5 0 1 2 3 4 5 6 7 8 9 10 Volumul
15
10
5
0
1
2
3
4
5
6
7
8
9
10
Volumul vanza

Timpul

2. Analiza Seriilor de Timp

(Dinamice/Cronologice): caracteristici și metode

Extrapolarea reprezintă una din cele mai utilizate metode de previziune în cadrul metodelor cantitative bazate pe serii de timp;

Metodele de extrapolare bazate pe serii de timp sugerează dezvoltarea inerţială (prelungirea în viitor) a unor elemente ale proceselor şi fenomenelor economice;

Pot fi aplicate cu rezultate bune numai dacă procesul la care se referă prezintă un caracter de repetabilitate, cu aceeaşi intensitate a dinamicii.

Limite:

oferă numai o imagine orientativă asupra perspectivei de evoluţie dacă se recunoaşte faptul că viitorul NU reproduce fidel stările şi evoluţiile din trecut;

se poate folosi cu succes numai pentru procesele economice ce evoluează

fără discontinuităţi majore;

riscul şi incertitudinea impun prelucrarea rezultatelor extrapolării cu metode adiţionale;

pentru ca rezultatele să fie cât mai plauzibile se recomandă operarea pe orizonturi de prognoză cât mai scurte.

2. Analiza Seriilor de Timp (Dinamice/Cronologice):

caracteristici și metode

Ajustarea unei serii temporale = operatiunea de

înlocuire a valorilor observate ale variabilei studiate cu alte valori.

Noile valori sunt calculate prin metode adecvate cu scopul

de a pune în evidenţă componentele considerate esenţiale

ale seriei de date: trendul, fluctuaţiile ciclice, sezoniere si/sau neregulate.

sunt aplicabile în previziunile pe termen scurt, de pe o zi pe alta, de pe o luna pe alta, de pe un trimestru pe altul.

Cele mai utilizate metode de nivelare (ajustare):

1. metoda mediilor mobile,

2. metoda nivelării exponenţiale.

2.1. Media mobila

Presupune determinarea previziunii pentru o perioadă de timp (zi, săptămână, lună, …, an etc.) prin medierea datelor din ultimele „n" perioade:

F t

1

n

în care: F t+1 - valoarea previzionată pt. perioada t+1; Y t - valoarea realizată în perioada t; n - ordinul mediei mobile.

Adoptând ordine diferite ale mediei mobile, se poate ajunge la o corespondenţă mai apropiată sau mai îndepărtată a curbei previziunii faţă

de curba evoluţiei datelor reale.

Eroarea poate fi apreciată pe baza diferenţelor dintre realitate şi previziune folosind formula erorii medii:

m

m

n

în care: F t - valorile previzionate pentru perioadele t=1,

,m;

Y t - valorile reale

disponibile; m - numărul de valori ale seriei de timp disponibile.

Medii mobile sunt utile dacă putem presupune că cerințele pieței vor rămâne destul de constante în timp.

O altă metodă similară este media mobilă ponderată (cu ponderi diferite asociate datelor în funcţie de ordinea lor în seria de date)

y

t

y

t

1

y

t

n

 

1

e

t

n

e   t  n (F t  Y ) t 2

(F t

Y )

t

2

2.1. Media mobila

Aplicatie practică:

Luna

Ianuarie

Februarie

Martie

Aprilie

Mai

Iunie

Iulie

August

Septembrie

Octombrie

Noiembrie

Decembrie

Ianuarie

Vânzări reale

10

12

13

16

19

23

26

30

28

18

16

14

Media mobilă de ordin 3

13 16 19 23 26 30 28 18 16 14 — Media mobilă de ordin 3

(10 + 12 + 13)/3 = 11.67

(12 + 13 + 16)/3 = 13.67 (13 + 16 + 19)/3 = 16.00 (16 + 19 + 23)/3 = 19.33 (19 + 23 + 26)/3 = 22.67 (23 + 26 + 30)/3 = 26.33 (26 + 30 + 28)/3 = 28.00 (30 + 28 + 18)/3 = 25.33 (28 + 18 + 16)/3 = 20.67

(18 + 16 + 14)/3 = 16.00

2.2. Metoda nivelării exponenţiale

Pentru metodele de nivelare (ajustare), alegerea formei particulare a metodei (cu unul sau mai mulți parametri) se poate face, într-un mod aproximativ, prin reprezentarea grafică a seriei de date:

- în cazul seriilor de date pentru care nu se înregistrează trend şi

variaţii ciclice sau sezoniere se poate utiliza modelul de nivelare

exponenţială primară (în jurul mediei) (engl. Single Exponential Smoothing - SES) (cu un singur parametru α);

- dacă pentru seria de date reprezentată se poate pune în evidenţă o

tendinţă liniar crescătoare sau descrescătoare se alege modelul cu

trend (cu doi parametri α si β );

- dacă pentru seria de date se pot evidenţia variaţii sezoniere se va

alege modelul de ajustare cu sezonalitate (cu doi parametri α si γ);

- în situaţia în care, în mod simultan se pot observa o componentă

de tip trend şi variaţii sezoniere se poate alege modelul de ajustare trend - sezonalitate (ex: modelul Holt-Winters în care se folosesc trei parametri α, β si γ și trei ecuații pt determinarea previziunii).

2.2. Metoda nivelării exponenţiale

Nivelarea exponentiala a fost introdusă de Robert G. Brown în cărțile sale din 1959 și 1963 (RG Brown adesea referit ca părintele nivelării exponențiale).

Obiectivul metodei de previziune: netezirea (ajustarea) în

jurul mediei vânzărilor a fluctuaţiilor întâmplătoare.

Ideea de bază: prin modelul de ajustare exponenţială se atribuie datelor referitoare la vânzările din trecut, ponderi

invers proporţionale cu vârsta lor, considerând că, în evoluţia

procesului, datele recente sunt mai valide decât cele vechi.

În cazul seriilor de date pentru care nu se înregistrează

trend şi variaţii ciclice sau sezoniere se poate utiliza modelul

de nivelare exponenţială primară (în jurul mediei) (engl.

Single Exponential Smoothing - SES).

2.2. Metoda nivelării exponenţiale

Presupunem ca se cunosc:

Perioadele

Vânzările efective (Y)

1

Y

1

2

Y

2

t-2

Y

t-2

t-1

Y

t-1

t

Yt

t+1

 

???????

Pe baza lor se calculează in perioada t previziunea pentru perioada t+1

Previziunea vânzărilor în perioada (t) pentru perioada (t+1) = F t+1 = F t +(Y t - F t ) sau F t+1 = Y t +(1-)F t

unde: = constantă de nivelare, 0    1; F t+1 – previziunea realizată în perioada t pentru perioada t+1

2.2. Metoda nivelării exponenţiale

Concluzie:

Modelul de nivelare exponențială primară determină previziunea

pentru perioada (t+1) pe baza a trei valori:

F t+1 =Y t +(1-)F t

 

Previziunea la momentul t (determinată pornind de la o previziune inițială care, daca nu se cunoaște, se
consideră prima valoare efectivă ca si previziune);

Vânzările efective din perioada curentă t;

Constanta de nivelare 0    1 => aleasă de decident.

Alegerea valorii lui alpha (α) influenteaza ajustarea oscilatiilor din seria de date reale și calitatea previziunii.

2.2. Metoda nivelării exponenţiale Alegerea constantei de nivelare 0    1: 1. Pe
2.2. Metoda nivelării exponenţiale
Alegerea constantei de nivelare 0    1:
1. Pe baza minimizării indicatorilor erorilor de previziune (e t = Y t - F t )
n
2
(e
t )
t
 1
Media erorilor la pătrat = MSE =
n
n
e t
Media erorilor absolute = MAD =
t
 1
n
Media procentuală a erorilor absolute = MAPE
n
Suma erorilor de previziune = CFE =
e t
t
 1
CFE
Tracking Signal (semnal de urmarire) = TS =
MAD
TS: pozitiv: există tendinţă de creştere a vânzărilor
negativ: există tendinţă de descreştere a vânzărilor
Numai dacă TS > 5 => există o tendinţă reală de creştere sau descreştere a vânzărilor

2.2. Metoda nivelării exponenţiale

Alegerea constantei de nivelare 0    1:

2. Din analiza modelului F t+1 = Y t +(1-)F t rezultă că dacă:

tinde spre 1 => F t+1 Yt (previziunile urmaresc oscilatiile valorilor efective)

mult mai mic decat 1 => Ft Ft-1

F0 media valorilor efective

3. Din analiza modelului F t+1 = F t +(Y t - F t ) rezultă că dacă:

Diferenţele | Y t - F t | sunt mari, atunci se recomandă alegerea unui

mic (spre 0) pentru a nu permite transferarea fluctuaţiilor mari în

previziune. Diferenţele | Y t - F t | sunt mici, atunci se recomandă alegerea unui

mare (care tinde spre 1) pentru a permite previziunii să reacţioneze

rapid la eventualele schimbări.

4. Prin simulare (testari succesive) pe baza unui criteriu specificat de decident.

2.2. Metoda nivelării exponenţiale

Etape de lucru:

Obţinerea datelor privind vânzările produsului în perioadele

trecute

Analiza datelor pe baza reprezentării grafice

Alegerea modelului de previziune

Definirea parametrilor modelului: perioada sau perioadele pentru care se va face previziunea, alegerea constantei de nivelare, determinarea previziunii iniţiale

Realizarea previziunii cu un produs informatic, ex.:

WINQSB/Forecasting and Linear Regression/Time Series Forecasting/

Single Exponential Smoothing

QM for Windows/Forecasting/Time Series Analysis Excel (Data Analysis/ Exponential Smoothing)

Analiza influenţei constantei de nivelare asupra previziunii

Interpretarea economică a rezultatelor.

2.2. Metoda nivelării exponenţiale

Studiul de caz 1 (din lucrarea Modelarea economică. Studii de caz. Teste, autori:

Raţiu-Suciu, C., Luban, F., Hîncu, D., Ciocoiu, N., Editura ASE, Bucureşti, 2007)

Se cunosc vânzările reale pe 8 luni (Actual

Data), previziunea inițială (F(0)=21) și 2

valori lui alpha (0,3 si 0,9). Se dorește previunea vânzărilor pe luna a -9-a.

Luna

Actual

Forecast

Data

by SES

(alpha=0,3)

1

21.00

 

2

22.00

21.00

3

16.00

21.30

4

18.00

19.71

5

19.00

19.20

6

14.00

19.14

7

18.00

17.60

8

20.00

17.72

9

 

18.40

22 21 20 19 18 17 16 15 14 13 1 2 3 4 5
22
21
20
19
18
17
16
15
14
13
1
2
3
4
5
6
7
8
9
Vanzaril
18 17 16 15 14 13 1 2 3 4 5 6 7 8 9 Vanzaril

Timpul

Date reale

Estimatii alfa=0,3Date reale

Media

Estimatii alfa =0,9Media

Alpha = 0.3

F(0) = 21

CFE = -8.66

MSE = 9.12

MAD = 2.29

MAPE = 14.08

Trk.Signal = -3.78

2.3. Proiecţiile de trend

O altă metodă de prognoză bazată pe serii de timp se numește proiecția trendului.

Aceasta tehnica potriveste o linie de trend la o serie de puncte

reprezentînd date istorice și apoi proiectează linia în viitor pentru a obține previziuni pe termen mediu sau lung.

Există mai multe ecuații matematice de trend care pot fi aplicate (de ex.

exponențială și patratica), dar cea liniară este cea mai folosită.

O linie de trend este pur și simplu o ecuație de regresie liniară în care variabila independentă (X) este perioada de timp. Forma este:

Y = a + bx

unde: Y - valoare previzionată (variabila dependentă); a – interceptul;

b panta liniei; x perioada de timp (ex. 1, 2, 3 n)

Metoda celor mai mici pătrate poate fi aplicată pentru a găsi coeficienții

care minimizează suma pătratelor erorilor (MSE).

2.3. Proiecţiile de trend

Aplicatie practica:

se dorește previzionarea vânzărilor

în funcție de lună

Rezolvare:

in Excel: Tools > Data

Analysis/Regression

in WINQSB/Forecasting/

Linear regression

Luna

Vanzari

1

1215

2

1251

3

1305

4

1383

5

1280

6

1450

7

1540

8

1750

9

1835

10

1923

11

2050

12

1950

2.3. Proiecţiile de trend

REGRESIE LINIARA (VANZARI IN FUNCTIE DE LUNA) 2500 X Variable 1 Line Fit Plot Regression
REGRESIE LINIARA (VANZARI IN FUNCTIE
DE LUNA)
2500
X
Variable 1 Line
Fit Plot
Regression Statistics
2000
Multiple R
0,9608
R Square
0,9231
1500
Adjusted R
Square
0,9154
1000
Y
Standard
Error
89,1866
Predicted Y
500
Observations
12
0
ANOVA
0
5
10
15
Significance
X Variable 1
df
SS
MS
F
F
Regression
1
954166,161
954166,161
119,957
0,00000069
Residual
10
79542,506
7954,251
Total
11
1033708,667
Upper
Lower
Coefficients
Standard Error
t Stat
P-value
Lower 95%
95%
95,0%
Upper 95,0%
1046,712
Intercept
54,891
19,069
0,000
924,408
1169,016
924,408
1169,016
81,685
X Variable 1
7,458
10,952
0,000
65,068
98,303
65,068
98,303
Y

2.3. Proiecţiile de trend

Din regresia liniara rezulta ca ecuatia de regresie are

forma:

Y= 1046,712+81,685·X,

de unde rezulta ca vânzarile pentru luna 13 sunt:

Y(13) = 1046,712+81,685·(13)=2108,62

2.4. Decompozitia

Metodele de decompoziţie (descompunere) presupun identificarea în mod separat a componentelor tipice (caracteristici) ale unei serii dinamice şi prognozarea lor separată:

Tendinţa generală (T t )

Miscarea ciclica (C t )

Fluctuaţiile sezoniere (S t )

Variaţiile neregulate (perturbatoare) (R t )

)  Variaţiile neregulate (perturbatoare) (R t )  După prognozarea izolată cele 4 elemente se
)  Variaţiile neregulate (perturbatoare) (R t )  După prognozarea izolată cele 4 elemente se

După prognozarea izolată cele 4 elemente se compun în forma aditivă sau multiplicativă.

2.4. Decompozitia

Exemplu:

Daca vanzarile de jucarii au un varf in fiecare

decembrie, cu o crestere de 100000 lei fata de

luna decembrie din anul anterior, atunci previziunea tb sa creasca in luna decembrie cu aceasta valoare, iar modelul este aditiv.

Daca se cunoaste ca exista o crestere de 40% a vanzarior in luna decembrie fata de restul anului, atunci modelul este multiplicativ.

Rezolvarea se poate face cu ajutorul produsului informatic WINQSB/

Forecasting/ Times Series Forecasting/

Holt-Winters Multiplicative Algorithm sau

WINQSB/ Forecasting/ Times Series Forecasting/ Holt-Winters Additive Algorithm

valoare

valoare

Algorithm sau WINQSB/ Forecasting/ Times Series Forecasting/ Holt-Winters Additive Algorithm valoare valoare timp timp

timp

Algorithm sau WINQSB/ Forecasting/ Times Series Forecasting/ Holt-Winters Additive Algorithm valoare valoare timp timp

timp

2.4. Decompozitia

Realizarea unei previziuni cu metoda de decompozitie necesită calcule elaborate ce presupun:

1. Descompunerea datelor din trecut (filtrarea influențelor sezoniere din datele originale)

2. Previzionarea separată a trendului şi sezonalităţii.

3. Combinarea previziunilor folosind modelul aditiv sau multiplicativ.

2.4. Decompozitia

Paşi pentru previziunea vânzărilor trimestriale în formă multiplicativă:

1. Se desenează diagrama datelor istorice pentru a verifica dacă există un tipar sezonier evident.

2. Se calculează „indicilor de sezonalitate" (S) pentru fiecare sezon.

S t = Media vânzărilor sezonului/ Media vanzărilor anuale

3. Se desezonalizează datele originale (vânzările reale) = Y t / S

4. Se calculează trendul pe baza cererii desezonalizate, prin regresie liniară:

T t = a + b*t

5. Se foloseşte proiecția trendului pentru a prognoza cererea cu trend.

6. Se utilizează indicii de sezonalitate pentru a corecta previziunile şi a

include și tiparele de sezonalitate: F t = T t * S t

WinQSB versus QM for Windows

WinQSB versus QM for Windows

Teste de autoevaluare

Teste de autoevaluare  Enunţaţi şi explicaţi ipotezele care stau la baza metodelor de previziune bazate

Enunţaţi şi explicaţi ipotezele care stau la baza metodelor de

previziune bazate pe serii de timp.

Explicaţi rolul şi modul de determinare a constantei de nivelare α utilizată în modelul de nivelare exponenţială.

Descrieţi asemănările şi deosebirile dintre metoda mediilor mobile şi metoda nivelării exponenţiale.

Prezentaţi abordarea matematică şi interpretarea economică a modelului de nivelare exponentiala primara.

34